超越统计关系：将知识关系融入风格关联以实现多标签音乐风格分类
计算与语言
2021-01-12 v2 信息检索
机器学习
摘要
为每首歌曲自动标注多种风格是各类音乐网站中的一项综合性应用。近来，一些研究探索了基于评论驱动的多标签音乐风格分类，并利用风格关联来完成该任务。然而，这些方法侧重于挖掘不同音乐风格之间的统计关系，且仅考虑了浅层风格关系。此外，由于某些音乐风格训练数据稀少，这些统计关系存在欠拟合问题。为应对这些问题，我们提出了一种新颖的知识关系融合框架（KRF）来捕捉完整的风格关联，该框架联合利用了依据外部知识得到的音乐风格间固有关系及其统计关系。基于这两类关系，我们使用图卷积网络自动学习风格间的深层关联。实验结果表明，我们的框架显著优于最先进的方法。进一步的研究表明，我们的框架能有效缓解欠拟合问题并学习到有意义的风格关联。源代码可在 https://github.com/Makwen1995/MusicGenre 获取。
引用
@article{arxiv.1911.03626,
title = {Beyond Statistical Relations: Integrating Knowledge Relations into Style Correlations for Multi-Label Music Style Classification},
author = {Qianwen Ma and Chunyuan Yuan and Wei Zhou and Jizhong Han and Songlin Hu},
journal= {arXiv preprint arXiv:1911.03626},
year = {2021}
}
备注
Accepted as WSDM 2020 Regular Paper